Prédiction des épisodes d'hypotension à partir de données longitudinales à haute fréquence recueillies auprès de patients en soins intensifs

Prediction of hypotensives episodes from longitudinal high-frequency data collected in ICU patients

• Auteur / Autrice : Ményssa Cherifa-Luron
• Direction : Matthieu Resche-Rigon, Romain Pirracchio
• Type : Thèse de doctorat
• Discipline(s) : Science des données
• Date : Soutenance le 02/11/2021
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Pierre Louis de santé publique : épidémiologie et sciences de l'information biomédicale (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche Epidémiologie et Statistique Sorbonne Paris Cité
• Jury : Président / Présidente : Julie Josse
• Jury : Rapporteur / Rapporteuse : Pascal Staccini, Anne-Claire Lukaszewicz-Nogrette

Mots clés

Mots clés contrôlés

diagnostic

Hypotension artérielle

Unités de soins intensifs

Médecine personnalisée

Intelligence artificielle en médecine

Données massives

Mots clés libres

Médecine personnalisée

Réanimation

Données massives

Apprentissage automatique

Algorithmes ensemblistes

Apprentissage profond

Algorithmes multitâche

Transformation du signal

Personalized medicine

Critical care

Big data

Machine Learning

Ensemble methods

Deep learning

Multitask learning

Signal transformation

Résumé

La révolution numérique en santé, traduite à la fois par la centralisation et l'accès à de grandes bases de données médicales et par des avancées considérables de l'intelligence artificielle (IA), a permis de créer de nouvelles opportunités pour la Science des données appliquée à la médecine. Remettant le patient au cœur du système de soin, l’essor de ses nouvelles technologies garanti une médecine plus personnalisée capable d'identifier plus précocement des facteurs prédictifs et pronostics individuels. Ce travail de thèse s'inscrit dans le concept de la médecine personnalisée. Plus exactement, c'est un exemple de développement et d'application concret d’IA médicales pour la prédiction de l'hypotension et plus largement des états de choc (EC), pathologies fréquentes affectant plus d'un tiers des patients hospitalisés en réanimation. En effet, l'EC définit comme une défaillance du système circulatoire aboutissant à une inadéquation entre l'apport et les besoins tissulaires périphériques en oxygène, est considéré comme une urgence diagnostique et thérapeutique. Anticiper l’hypotension, un de ses principaux symptômes, peut être extrêmement utile pour prendre des décisions thérapeutiques mieux adaptées et dans certains cas prévenir, dès le départ, l'apparition d'une défaillance d'organe en ajustant de façon appropriée la stratégie thérapeutique. De plus, la capacité de prédire toute détérioration à venir peut être très utile pour aider l'affectation proactive des équipes soignantes au sein des services hospitaliers. La première partie de ce travail de thèse a porté sur l’utilisation et l'application d'un algorithme ensembliste issu de l'apprentissage automatique, le Super Learner (SL), pour prédire la survenue d'un épisode d'hypotension 10 minutes et plus à l’avance, chez des patients hospitalisés en réanimation. Ce travail a permis de démontrer que lorsqu'il s'agit de données massives, les signaux physiologiques peuvent être intégrés dans les modèles prédictifs sans nécessiter de méthodes complexes de prétraitement pour être exploités et que le SL était bien supérieur à chacun des algorithmes inclus dans sa bibliothèque, comme en témoignaient des erreurs plus faibles et de bonnes valeurs de sensibilité et spécificité lors de son évaluation interne et externe puis, dans la seconde partie de cette thèse, nous avons développé un modèle d'apprentissage automatique profond, le Physiological Deep Learner (PDL), pour prédire simultanément des valeurs de pression artérielle moyenne (PAM) et de fréquence cardiaque (FC) afin d’imiter la façon dont les cliniciens analysent conjointement l'évolution de la PAM et de la FC, étant donné leur étroite interdépendance physiologique. Nous avons mis en évidence que l'utilisation d’un algorithme multitâche surpassait les performances de prédiction d'algorithmes monotâches indépendants. En effet, par rapport à une approche plus traditionnelle, notre PDL présente un meilleur profil de calibration et moins d'erreur. En outre, le PDL a été capable de prédire avec une grande précision la survenue ou non d'un épisode d'hypotension jusqu'à 60 minutes à l'avance.

The digital revolution in healthcare, reflected in both the centralization of and access to extensive medical databases and the considerable advances in artificial intelligence (AI), has created new opportunities for data science applied to medicine. Putting the patient at the heart of the health care system, developing these new technologies guarantees a more personalized medicine by identifying more predictive factors and individual prognosis. This thesis work is entirely in line with the concept of personalized medicine. More precisely, it is an example of medical AI's development and concrete application to predict hypotension and, more broadly, of states of shock, frequent pathologies affecting more than one-third of patients hospitalized in intensive care. Indeed, shock, defined as a failure of the circulatory system leading to an inadequacy between the supply and the peripheral tissue needs in oxygen, is considered a diagnostic and therapeutic emergency. Therefore, anticipating hypotension, one of its main symptoms, can be extremely useful to make better therapeutic decisions and, in some cases, prevent the onset of organ failure from the beginning by appropriately adjusting the therapy. In addition, the ability to predict future deterioration can be beneficial to assist in the proactive assignment of care teams within hospital departments. The first part of this thesis work focused on using and applying a machine learning-based ensemble algorithm, the Super Learner (SL), to predict the occurrence of a hypotensive episode 10 minutes or more in advance in patients hospitalized in the ICU. This work demonstrated that physiological signals could be integrated into predictive models when dealing with massive data without requiring complex pre-processing methods to be exploited. Also, the SL was far superior to each of the algorithms included in its library, as evidenced by its lower errors and good values of sensitivity and specificity values during its internal and external evaluation. Then, to mimic the way that clinicians are trained to jointly analyze the evolution of mean arterial pressure (MAP) and heart rate (HR) given their close physiological interdependence, we developed a deep learning model, the Physiological Deep Learner (PDL), to predict MAP and HR simultaneously. We highlighted that the use of a multitasking algorithm outperformed the prediction performance of single-tasking algorithms. Indeed, compared to a more traditional approach, our PDL achieved better performance, exhibiting a better calibration profile and fewer errors. In addition, the PDL was able to predict with high accuracy the occurrence or non-occurrence of a hypotensive episode up to 60 minutes in advance.